基于机器学习的O2O客户满意度预测开题报告

1. 研究目的与意义

移动互联网时代，技术和工具的迭代升级，大力推动了传统行业提质增效，深刻变革着人民的生活消费方式，催生出众多全新的经济形态。在技术的飞速发展和国家利好政策的推动下，各行各业都与互联网产生了越来越深度的融合和紧密的连接，本地生活O2O应运而生。O2O(Online to Offline)作为移动互联网与传统行业深度融合、线上与线下互推发展、商家与消费者进一步连接的创新商业模式，其核心思想是基于移动互联网技术，将线上平台与线下商机相结合，通过互联网搭建的网上平台寻找和吸引消费者，然后引导用户从线上平台转移到线下商店进行消费。如今，O2O市场规模迅速发展与扩张，但同时平台同质化竞争激烈、流量渠道缺乏创新、数据价值挖掘不足等问题也限制着市场持续向好发展。

本课题聚焦O2O模式下的顾客满意度研究，通过对头部企业“口碑”、“饿了吗”、“美团”等平台的真实交易数据进行挖掘分析，运用机器学习理论搭建起顾客满意度预测模型，并对不同算法的预测结果进行对比分析，同时挖掘对顾客满意度主要影响因素并进行分析。

2. 课题关键问题和重难点

基于机器学习的o2o客户满意度预测系统分为四个大模块：基于机器学习的o2o客户满意度预测、用户在线评论（打分）与评论（打分）展示、基于机器学习的o2o客户满意度预测系统后台实现、基于机器学习的o2o客户满意度预测系统前端实现。

本课题的关键：

3. 国内外研究现状（文献综述）

在线评论对买卖双方的决策都越来越重要。消费者经常在购买前参考网上评论，他们非常关注他人对他们感兴趣的产品的看法，以便在购买之前衡量产品的可靠性和实用性。营销人员也承认网上评论的重要性，并利用它们来提升产品质量，在线评论为营销人员了解推动销售的因素和趋势，以及衡量消费者的满意度提供了大量的反馈信息。因此，准确、及时地找到相关内容的能力有助于消费者和卖家快速做出商业决策。然而，大量的在线评论数据，以及其非结构化的性质，对任何想要快速得出结论的人来说都是一个挑战^[1]。

顾客满意度概念虽早已提出，但研究角度主要集中于顾客满意度基础概念、满意度评价指标模型构建以及影响因素分析，且多采用问卷调查、结构方程、多元回归分析、文献分析等传统方法。对于顾客满意度预测的研究现在国内外均较为缺乏，研究领域和研究方法都有待进一步探索与完善^[2]。而在线评论是顾客对于消费行为中获得的商品质量、服务体验等内容的直观表达，能够反映不同消费者主观偏好情况下购买决策的整体质量以及效果，体现了顾客对于产品或服务的满意程度。chatterjee(2001)最早提出潜在消费者在消费过程中会参考以往消费者对该产品或服务的使用感受评论，以减少自身在购买时所感受到的不确定性。park和lee(2007)研究进一步表明在线评论强度越大，对其他消费者购买意愿影响越大，且负面评论对消费者购买意愿的影响力大于正面评论的影响力。由此可见，在线评论不仅能为其他消费者的消费决策提供参考及影响，也能为商家和企业的发展提供一定建议与方向^[3]。

随着互联网的深入发展和计算机技术的快速提升,处理海量数据的需求催生出了数据挖掘技术。随着文本类数据挖掘处理需求的不断增加，传统的数据挖掘技术不再适用，文本挖掘技术的重要性日渐显露，国内外学者对于文本数据挖掘的研究也逐渐增多。国外最早的分类技术主要应用于信息检索系统，这一阶段主要集中在对分类理论的研究^[4]。etzioni于1996年提出将数据挖掘技术应用于互联网上大量的超文本资源上，并将其命名为web挖掘技术，这是互联网超文本数据挖掘方面最早的研究。hu.m和liu.b(2004)针对数码产品线上评论，利用计算机从海量线上产品评论中自动获取所关注的产品特征，以此对商品线上评论信息进行挖掘。在国内，房文敏等(2016)根据产品描述是否直接出现在评论中，将在线评论信息中的特征分为了显式特征和隐式特征。夏辉(2018)以信息传播的双路径原理为基础，引入计划行为理论，分别研究了评论信息质量和评论可信度对购买意向的影响，并对其影响机理进行剖析^[5]。

4. 研究方案

开发选择的语言是python，开发环境为pycharm，web系统开发利用flask框架。

1. 系统功能结构

系统总体功能结构如图1所示。

5. 工作计划

2022-2023-1学期：

第15-16周：完成选题，查阅相关中英文资料，进行相关技术的学习；

第17周：与导师沟通进行课题总体规划；